Ukládání a dotazování dat v reálném čase

  • 5 min

Databáze KQL v eventhouse jsou místem, kde ukládáte a dotazujete data v reálném čase, která proudí z Eventstreams a dalších zdrojů streamování. Po načtení dat do tabulek můžete k dotazování dat použít dotazovací jazyk Kusto (KQL) nebo T-SQL.

Snímek obrazovky s eventhousem v Microsoft Fabric

V eventhouse můžete vytvořit:

  • Databáze KQL: Úložiště dat optimalizovaná v reálném čase, která hostují kolekci tabulek, uložených funkcí, materializovaných zobrazení, zástupců a datových proudů.
  • Sady dotazů KQL: Kolekce dotazů KQL, které můžete použít k práci s daty v tabulkách databáze KQL. Sada dotazů KQL podporuje dotazy napsané pomocí jazyka KQL (Kusto Query Language) nebo podmnožina jazyka Transact-SQL.

Vysvětlení výkonu dotazovacího jazyka Kusto (KQL)

K dotazování dat v tabulce v databázi KQL můžete použít jazyk KQL. KQL je speciálně navržený pro analýzu velkých objemů strukturovaných, částečně strukturovaných a nestrukturovaných dat s výjimečným výkonem. Databáze KQL jsou optimalizované pro data časových řad a indexují příchozí data podle času příjmu dat a rozdělují je pro optimální výkon dotazů. KQL je stejný jazyk, který se používá v Azure Data Exploreru, Azure Monitor Log Analytics, Microsoft Sentinelu a v Microsoft Fabric.

Seznámení se syntaxí KQL

Dotazy KQL se skládají z jednoho nebo více příkazů dotazu. Příkaz dotazu se skládá z názvu tabulky následovaného operátory, které take, filtertransform, , aggregatenebo join data. Pokud chcete například vytisknout všech 10 řádků v tabulce akcií , spusťte:

stock
| take 10

Složitější příklad může agregovat data a najít průměrné ceny akcií za posledních 5 minut:

stock
| where ["time"] > ago(5m)
| summarize avgPrice = avg(todouble(bidPrice)) by symbol
| project symbol, avgPrice

Návod

Další informace o KQL najdete v přehledu dotazovací jazyk Kusto (KQL).

Automatizace zpracování dat pomocí příkazů pro správu

Kromě základního dotazování můžete automatizovat zpracování dat prostřednictvím příkazů pro správu , mezi které patří:

  • Zásady aktualizace: Automaticky transformují příchozí data a ukládají je do různých tabulek při jejich doručení.
  • Materializovaná zobrazení: Předpočítejte a uložte souhrnné výsledky pro rychlejší dotazy.
  • Uložené funkce: Uložte často používanou logiku dotazu, kterou můžete opakovaně používat napříč více dotazy.

Návod

Další informace o práci s databázemi KQL, včetně podrobných příkladů zásad aktualizace, materializovaných zobrazení a uložených funkcí, najdete v tématu Práce s daty v reálném čase v eventhouse Microsoft Fabric.

Další možnosti dotazu

Použití SQL

Databáze KQL v Eventhouses také podporují podmnožinu běžných výrazů T-SQL pro odborníky na data, kteří už znají syntaxi T-SQL. Například:

SELECT TOP 10 * FROM stock;

Použití Copilotu k nápovědě k dotazům

Microsoft Fabric zahrnuje Copilot pro Real-Time Intelligence, které vám můžou pomoct psát dotazy pro extrakci přehledů z dat eventhouse. Copilot používá AI k pochopení toho, co hledáte, a může vygenerovat požadovaný kód dotazu.

Návod

Další informace o funkci Copilot pro měřítko v reálném čase najdete v tématu Copilot pro měřítko v reálném čase.